Sirvi Autor "Tertychnyi, Pavlo" järgi

Nüüd näidatakse 1 - 2 2

Machine learning methods for anti-money laundering monitoring
(2023-11-02) Tertychnyi, Pavlo; Dumas, Marlon, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Rahapesu (RP) kujutab endast märkimisväärset ohtu ülemaailmsetele finantssüsteemidele, võimaldades kurjategijatel varjata raha ebaseaduslikku päritolu ja integreerida need seaduslikku majandusse. Sellel ei ole mitte ainult rahalised tagajärjed, vaid see õõnestab ka finantssüsteemide stabiilsust, ohustab riigi julgeolekut ja kahandab üldsuse usaldust finantsasutuste vastu. Valitsused ja õiguskaitseasutused kogu maailmas on mures salakuritegevuse tuvastamise pärast. Finantsasutused kasutavad omakorda mitmesuguseid seiremehhanisme, et tuvastada ja teavitada võimalikust rahapesust. Need süsteemid järgivad tavaliselt lihtsaid reegleid, kuid neil on keeruliste ja uute RP-skeemide tuvastamisel piirangud. Masinõppe algoritmide – algoritmid, mis kasutavad otsuse tegemiseks märgistatud ajaloolisi andmeid – kasutamine RP tuvastamise kontekstis võib oluliselt parandada olemasolevate süsteemide tõhusust. Selle lõputöö eesmärk on luua lahendus, mis kombineerib erinevaid raamistikke, et tuvastada RP automaatselt masinõppe abil. Sellise lahenduse väljatöötamisel on aga palju väljakutseid. Digitaalsete maksete ja ülemaailmsete tehingute kasv on toonud analüüsimiseks tohutul hulgal andmeid. Erinevad finantstooted muudavad rahapesu tuvastamise veelgi raskemaks, kuna kurjategijad võivad kasutada nende toodete erinevaid kombinatsioone. Lisaks on RP väga haruldane sündmus, mis raskendab tõhusate masinõppemudelite väljatöötamist. Lõpuks muutuvad RP-skeemid pidevalt, nõudes lähenemisviisi regulaarset värskendamist ja kohandamist. Lõputöö annab sellesse uurimisvaldkonda neli peamist panust: (i) raamistik, mis tuvastab RP individuaalse kliendi tasandil; (ii) raamistik, mis tuvastab RP grupi kliendi tasandil; (iii) süsteem, mis määrab kindlaks, millal teavitada tuvastatud rahapesust tingitud käitumist, mida hiljem töötlevad spetsialiseerunud eksperdid; (iv) süsteem, mis annab tekstilisi selgitusi nende hoiatusteadete esitamise põhjuste kohta. Need panused koos moodustavad tervikliku lahenduse automaatseks RP tuvastamiseks, mis vastab olulistele ärinõuetele. Lahendust on testitud tegelike andmete põhjal koos kliendiprofiilide, tehingute ajaloo ja rahapesuvastaste ekspertide sisendiga. Tulemusi hinnati arvutuslike katsete ja domeeniekspertide tagasiside kaudu.
Madala kvaliteediga sõrmejäljepiltide klassifitseerimine
(2018) Tertychnyi, Pavlo; Gholamreza Anbarjafari
Traditsioonilised sõrmejälgede tuvastamise süsteemid kasutavad otsuste tegemisel minutiae punktide informatsiooni. Nagu selgub paljude varasemate tööde põhjal, ei ole sõrmejälgede pildid mitte alati piisava kvaliteediga, et neid saaks kasutada automaatsetes sõrmejäljetuvastuse süsteemides. Selle takistuse ületamiseks keskendub magistritöö väga madala kvaliteediga sõrmejälgede piltide tuvastusele – sellistel piltidel on mitmed üldteada moonutused, nagu kuivus, märgus, füüsiline vigastatus, punktide olemasolu ja hägusus. Töö eesmärk on välja töötada efektiivne ja kõrge täpsusega sügaval närvivõrgul põhinev algoritm, mis tunneb sõrmejälje ära selliselt madala kvaliteediga pildilt. Eksperimentaalsed katsed sügavõppepõhise meetodiga näitavad kõrget tulemuslikkust ja robustsust, olles rakendatud praktikast kogutud madala kvaliteediga sõrmejälgede andmebaasil. VGG16 baseeruv sügavõppe närvivõrk saavutas kõrgeima tulemuslikkuse kuivade (93%) ja madalaima tulemuslikkuse häguste (84%) piltide klassifitseerimisel.